Les enseignants stagiaires ont fait des évaluations plus précises des difficultés d’apprentissage après avoir reçu des commentaires de l’IA

Tous tels nach Plastik Mit zunehmendem Abfall augmente auch das

Un essai dans lequel des enseignants stagiaires qui apprenaient à identifier les élèves ayant des difficultés d’apprentissage potentielles avaient leur travail «marqué» par l’intelligence artificielle a constaté que l’approche améliorait considérablement leur raisonnement.

L’étude, avec 178 enseignants stagiaires en Allemagne, a été réalisée par une équipe de recherche dirigée par des universitaires de l’Université de Cambridge et de la Ludwig-Maximilians-Universität München (LMU Munich). Il fournit certaines des premières preuves que l’intelligence artificielle (IA) pourrait améliorer le « raisonnement diagnostique » des enseignants : la capacité de collecter et d’évaluer des preuves sur un élève, et de tirer des conclusions appropriées afin qu’il puisse bénéficier d’un soutien personnalisé.

Au cours de l’essai, les stagiaires ont été invités à évaluer six élèves « simulés » fictifs présentant des difficultés d’apprentissage potentielles. Ils ont reçu des exemples de leurs travaux scolaires, ainsi que d’autres informations telles que des enregistrements de comportement et des transcriptions de conversations avec les parents. Ils devaient ensuite décider si chaque élève avait ou non des difficultés d’apprentissage telles que la dyslexie ou le trouble déficitaire de l’attention avec hyperactivité (TDAH), et expliquer leur raisonnement.

Immédiatement après avoir soumis leurs réponses, la moitié des stagiaires ont reçu un prototype de « solution experte », rédigée au préalable par un professionnel qualifié, à comparer avec la leur. Ceci est typique du matériel de pratique que les élèves-enseignants reçoivent généralement en dehors des cours enseignés. Les autres ont reçu des commentaires générés par l’IA, qui ont mis en évidence les parties correctes de leur solution et signalé les aspects qu’ils auraient pu améliorer.

Après avoir terminé les six exercices préparatoires, les stagiaires ont ensuite passé deux tests de suivi similaires, cette fois sans aucune rétroaction. Les tests ont été notés par les chercheurs, qui ont évalué à la fois leur « exactitude diagnostique » (si les stagiaires avaient correctement identifié les cas de dyslexie ou de TDAH) et leur raisonnement diagnostique : dans quelle mesure ils avaient utilisé les preuves disponibles pour porter ce jugement.

Le score moyen pour le raisonnement diagnostique parmi les stagiaires qui avaient reçu des commentaires sur l’IA au cours des six exercices préliminaires était supérieur d’environ 10 points de pourcentage à ceux qui avaient travaillé avec les solutions d’experts pré-écrites.

La raison en est peut-être la nature « adaptative » de l’IA. Parce qu’il a analysé le propre travail des enseignants stagiaires, plutôt que de leur demander de le comparer avec une version experte, les chercheurs pensent que les commentaires étaient plus clairs. Il n’y a donc aucune preuve que l’IA de ce type améliorerait les commentaires individuels d’un tuteur humain ou d’un mentor de haute qualité, mais les chercheurs soulignent qu’un tel soutien étroit n’est pas toujours facilement disponible pour les enseignants stagiaires pour la répétition. pratique, en particulier ceux sur les grands parcours.

L’étude faisait partie d’un projet de recherche au sein du Cambridge LMU Strategic Partnership. L’IA a été développée avec le soutien d’une équipe de l’Université technique de Darmstadt.

Riikka Hofmann, professeur agrégé à la faculté d’éducation de l’université de Cambridge, a déclaré : « Les enseignants jouent un rôle essentiel dans la reconnaissance des signes de troubles et de difficultés d’apprentissage chez les élèves et dans leur orientation vers des spécialistes. Malheureusement, beaucoup d’entre eux ont également le sentiment d’avoir n’ont pas eu suffisamment l’occasion de mettre en pratique ces compétences. Le niveau d’orientation personnalisée que les enseignants stagiaires reçoivent pour les cours d’allemand est différent de celui du Royaume-Uni, mais dans les deux cas, il est possible que l’IA puisse fournir un niveau supplémentaire de rétroaction individualisée pour les aider à développer ces compétences essentielles. . »

Le Dr Michael Sailer, de LMU Munich, a déclaré : « Évidemment, nous ne prétendons pas que l’IA devrait remplacer les enseignants-formateurs : les nouveaux enseignants ont encore besoin de conseils d’experts sur la façon de reconnaître les difficultés d’apprentissage en premier lieu. Il semble toutefois que l’IA -les commentaires générés ont aidé ces stagiaires à se concentrer sur ce qu’ils avaient vraiment besoin d’apprendre. Lorsque les commentaires personnels ne sont pas facilement disponibles, cela pourrait être un substitut efficace.

L’étude a utilisé un système de traitement du langage naturel : un réseau neuronal artificiel capable d’analyser le langage humain et de repérer certaines phrases, idées, hypothèses ou évaluations dans le texte des stagiaires.

Il a été créé à partir des réponses d’une cohorte antérieure d’enseignants en formation initiale à un exercice similaire. En segmentant et en codant ces réponses, l’équipe a « entraîné » le système à reconnaître la présence ou l’absence de points clés dans les solutions fournies par les stagiaires pendant l’essai. Le système a ensuite sélectionné des blocs de texte pré-écrits pour donner aux participants une rétroaction appropriée.

Dans les exercices préparatoires et les tâches de suivi, les participants à l’essai ont été soit invités à travailler individuellement, soit assignés à des paires sélectionnées au hasard. Ceux qui ont travaillé seuls et ont reçu des solutions expertes lors des exercices préparatoires ont obtenu en moyenne 33 % pour leur raisonnement diagnostique lors des tâches de suivi. En revanche, ceux qui avaient reçu des commentaires de l’IA ont obtenu un score de 43 %. De même, le score moyen des stagiaires travaillant en binôme était de 35 % s’ils avaient reçu la solution experte, mais de 45 % s’ils avaient reçu l’accompagnement de l’IA.

L’entraînement avec l’IA ne semblait pas avoir d’effet majeur sur leur capacité à diagnostiquer correctement les élèves simulés. Au lieu de cela, il semble avoir fait une différence en aidant les enseignants à parcourir les diverses sources d’information qu’on leur demandait de lire et à fournir des preuves spécifiques de difficultés d’apprentissage potentielles. C’est la principale compétence dont la plupart des enseignants ont réellement besoin en classe : la tâche de diagnostiquer les élèves incombe aux enseignants de l’éducation spécialisée, aux psychologues scolaires et aux professionnels de la santé. Les enseignants doivent être en mesure de communiquer et de prouver leurs observations aux spécialistes lorsqu’ils ont des préoccupations, afin d’aider les élèves à accéder à un soutien approprié.

Dans quelle mesure l’IA pourrait être utilisée plus largement pour soutenir les capacités de raisonnement des enseignants reste une question ouverte, mais l’équipe de recherche espère entreprendre d’autres études pour explorer les mécanismes qui l’ont rendue efficace dans ce cas et évaluer ce potentiel plus large.

Frank Fischer, professeur d’éducation et de psychologie de l’éducation à LMU Munich, a déclaré : « Dans les grands programmes de formation, qui sont assez courants dans des domaines tels que la formation des enseignants ou la formation médicale, l’utilisation de l’IA pour soutenir l’apprentissage basé sur la simulation pourrait avoir une réelle valeur. la mise en œuvre d’outils complexes de traitement du langage naturel à cette fin prend du temps et des efforts, mais si cela contribue à améliorer les capacités de raisonnement des futures cohortes de professionnels, cela pourrait bien valoir l’investissement. »

La recherche est publiée dans Apprentissage et instruction.

Plus d’information:
La rétroaction adaptative des réseaux de neurones artificiels facilite le raisonnement diagnostique des enseignants en formation initiale dans l’apprentissage basé sur la simulation, Apprentissage et instruction (2022). DOI : 10.1016/j.learninstruc.2022.101620

Fourni par l’Université de Cambridge

ph-tech